اختبار Q لديكسون: التعريف + مثال

تُعد معالجة البيانات التجريبية وتنقيحها إحدى الركائز الأساسية التي يقوم عليها الاستدلال الإحصائي الرصين في سائر العلوم التطبيقية والإنسانية. فعندما يعكف الباحث على جمع المشاهدات الميدانية أو المعملية، يواجه حتمياً معضلة تباين البيانات وظهور بعض القياسات المتباعدة عن السلوك العام للمجموعة؛ وهي المشاهدات التي تُعرف في الأدبيات الإحصائية باسم القيم الشاذة (Outliers). إن التعامل مع هذه المشاهدات ليس مجرد إجراء فني عابر، بل هو قرار منهجي حرج يترتب عليه قبول فرضيات علمية أو رفضها، إذ يمكن لقيمة واحدة ملوثة أن تعصف بصدق التحليلات البارامترية، وتؤدي إلى تشويه المتوسط الحسابي والانحراف المعياري، مما ينتج عنه استنتاجات مضللة قد تضر بمسار البحث العلمي وتطبيقاته العملية.

في هذا السياق المعرفي الدقيق، يبرز اختبار ديكسون كيو (Dixon’s Q Test) كأحد أقدم وأشهر الأساليب الإحصائية المعلمية المخصصة لاكتشاف وتحديد القيم المتطرفة المفردة في العينات الصغيرة. وقد طُوّر هذا الاختبار ليقدم حلاً رياضياً موضوعياً مستنداً إلى حساب الاحتمالات، بهدف تخليص الباحث من فخ التقدير الذاتي أو الانطباع البصري عند اتخاذ قرار الإبقاء على مشاهدة متطرفة أو استبعادها. إن الميزة الجوهرية لاختبار ديكسون تكمن في بساطته الحسابية الفائقة واعتماده المباشر على نسب المدى والفجوات العددية، ما يجعله أداة مفضلة وموثوقة لدى الباحثين في مجالات متنوعة تمتد من الكيمياء التحليلية وعلوم المختبرات إلى القياس النفسي والعلوم السلوكية المعرفية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي متكامل لاختبار ديكسون Q؛ حيث سنستعرض جذوره التاريخية، وأسسه الرياضية، وافتراضاته المنهجية الصارمة، مروراً بخطوات تنفيذه اليدوي عبر أمثلة عددية محلولة بالتفصيل، وتفسير جداوله الإحصائية وقيمه الحرجة. كما يتناول المقال مقارنة الاختبار ببدائله المعاصرة، واستعراض سبل تنفيذه عبر البرمجيات الإحصائية الحديثة، وصولاً إلى وضع بروتوكول منهجي وأخلاقي متماسك للتعامل مع البيانات المتطرفة بما يتوافق مع أعلى معايير النزاهة الأكاديمية وضوابط النشر العلمي المعتمدة دولياً.

1. مقدمة تأصيلية لاختبار ديكسون Q ومفهوم القيم الشاذة

1.1 مفهوم القيم الشاذة وتأثيرها على التحليل الإحصائي

تُعرّف القيمة الشاذة (Outlier) في النظرية الإحصائية الكلاسيكية بأنها المشاهدة التي تنحرف بشكل ملحوظ عن النمط العام أو مسار التوزيع الذي تسلكه بقية مفردات العينة، لدرجة تثير الشك المنهجي في أنها ناتجة عن آلية توليد بيانات مختلفة أو خطأ تجريبي غير منضبط. ومن الضروري التمييز الجوهري والدقيق بين “القيمة الشاذة” غير الصالحة، و”القيمة المتطرفة الطبيعية” (Extreme Value)؛ فالأخيرة تمثل تجلياً طبيعياً ونادراً للتباين الكامن داخل المجتمع الإحصائي الأصلي، وتستند إلى خصائص التوزيع الاحتمالي الطبيعي، في حين تعكس القيمة الشاذة في كثير من الأحيان خللاً في القياس، أو تلوثاً في العينة، أو تأثيراً لمتغير دخيل لم يُضبط أثناء التجربة.

إن خطورة وجود القيم الشاذة تظهر بجلاء عند استخدام الاختبارات الإحصائية المعلمية (Parametric Tests) التي تشترط اعتدالية التوزيع واستقرار التباين. فالقيمة الشاذة تمارس ما يُعرف بالعزم الإحصائي الجاذب، حيث تسحب المتوسط الحسابي باتجاهها بقوة، مما يجعله مقياساً غير ممثل للمركز الحقيقي للبيانات. وبالتوازي مع ذلك، يتضخم الانحراف المعياري بشكل مصطنع، وهو ما يؤدي إلى توسيع فترات الثقة (Confidence Intervals) وخفض القوة الإحصائية (Statistical Power) للاختبارات اللاحقة كاختبار “ت” (t-test) وتحليل التباين (ANOVA).

يترتب على هذا التشويه الإحصائي تداعيات خطيرة على صعيد الاستدلال وقبول الفرضيات؛ إذ يؤدي تضخم التباين إلى زيادة احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error – $\beta$)، وهو الفشل في اكتشاف التأثير أو الفروق الحقيقية الموجودة بالفعل، كما قد يتسبب في ارتكاب الخطأ من النوع الأول (Type I Error – $\alpha$) في حال أدت القيمة الشاذة إلى خلق فروق وهمية مصطنعة بين المجموعات التجريبية. وتتعدد أسباب نشوء هذه القيم لتشمل: أخطاء المعايرة في أجهزة القياس، وأخطاء الرصد والتدوين البشري، وتشتت انتباه المفحوصين في التجارب السلوكية، أو وقوع حوادث طارئة أثناء جمع المشاهدات.

1.2 النشأة التاريخية لاختبار ديكسون Q وتطوره

تعود الجذور التاريخية لاختبار Q إلى منتصف القرن العشرين، وتحديداً في عام 1950، عندما نشر عالم الإحصاء الأمريكي البارز ويلمر ج. ديكسون (Wilfrid J. Dixon) ورقته المرجعية التأسيسية بعنوان “Ratios Involving Extreme Values” في الدورية العلمية المرموقة Annals of Mathematical Statistics. جاء هذا الابتكار استجابة لحاجة ملحة واجهت الباحثين التجريبيين، خاصة في مجالات الكيمياء التحليلية والهندسة التطبيقية، حيث كانت البروتوكولات المعملية تعتمد على مصفوفات بيانات صغيرة جداً لا يتجاوز عدد مفرداتها أصابع اليد الواحدة، مما جعل الأساليب الإحصائية الكبيرة المعتمدة على التقريب التقاربي (Asymptotic Approximations) غير قابلة للتطبيق.

ركز ديكسون في أبحاثه اللاحقة عام 1951 على تطوير عائلة متكاملة من النسب الرياضية المعتمدة على إحصاءات الترتيب والمدى، والتي صُممت خصيصاً لتكون بسيطة وسريعة الحساب في بيئة المختبر دون الحاجة إلى اللجوء لعمليات معقدة لحساب الانحراف المعياري ومربعات الانحرافات. وقد حظي هذا الاختبار بانتشار واسع وتبنٍّ رسمي من قبل هيئات دولية معيارية رائدة، مثل الاتحاد الدولي للكيمياء البحتة والتطبيقية (IUPAC)، والمنظمة الدولية للتوحيد القياسي (ISO)، ليصبح الاختبار المعياري المفضل لتدقيق البيانات المعملية.

مع تطور حركة المنهجية الكمية وانتقال التقنيات الإحصائية الصارمة إلى ميادين القياس النفسي والعلوم العصبية والسلوكية، تجاوز اختبار ديكسون حدوده المختبرية الضيقة. فقد وجد باحثو علم النفس التجريبي في اختبار Q أداة بالغة القيمة للتعامل مع الحالات الخاصة لبيانات أزمنة الرجع واستجابات القياس الحركي، لا سيما في الدراسات الاستكشافية ودراسات الحالات الفردية (Single-case Designs) التي تفرض فيها شروط التجريب قيوداً قاسية على حجم العينة المتاحة.

1.3 الهدف الأساسي للاختبار وموقعه بين الاختبارات الإحصائية

يتمثل الهدف الأساسي لاختبار ديكسون Q في تزويد الباحث بمسطرة إحصائية احتمالية حاسمة تفصل بين التباين العشوائي المتوقع للبيانات وبين الشذوذ الحقيقي الذي يبرر حذف المشاهدة رياضياً. يختص الاختبار بفحص “مشاهدة متطرفة واحدة مشبوهة” – سواء كانت هي القيمة الصغرى أو القيمة العظمى في المجموعة – لتحديد ما إذا كان موقعها النسبي بعيداً لدرجة لا يمكن عزوها للمصادفة البحتة عند مستوى دلالة إحصائية محدد سلفاً.

يُصنف اختبار ديكسون Q من الناحية البنيوية ضمن فئة اختبارات رفض البيانات المستندة إلى النطاق (Range-Based Outlier Tests). وتتميز هذه الفئة بالاعتماد المباشر على قيم العينة بعد ترتيبها تصاعدياً، واستخدام المسافات الخطية (الفجوات والمدى) بدلاً من مقاييس التشتت التربيعية حول المتوسط كالانحراف المعياري والتباين، وهو ما يمنح الاختبار ميزة الحساب الفوري والحدسي مع الحفاظ على صرامة الاستدلال الاحتمالي.

تبرز أهمية هذا الإجراء في تحييد التحيز التأكيدي والتقدير الذاتي للباحث؛ فبدون وجود معيار إحصائي صارم، قد يقع الباحث تحت إغراء حذف القيم التي تتعارض مع فرضياته البحثية، أو الإبقاء على قيم غير صالحة خوفاً من التلاعب بالبيانات. ومن هنا، يضع اختبار ديكسون خطاً فاصلاً يستند إلى جداول احتمالية دقيقة لحساب النسبة الحرجة لقيم Q، مما يحول عملية تنظيف البيانات إلى إجراء منهجي شفاف وقابل للتكرار والتحقق من قِبل الأقران في المجتمع الأكاديمي.

2. الإطار النظري والرياضي لمعادلة اختبار ديكسون Q

2.1 المعادلة الرياضية الأساسية للاختبار

يرتكز البناء الرياضي لاختبار ديكسون Q على مبدأ حساب النسبة البُعدية بين “الفجوة المجاورة” و”المدى الكلي” للعينة. وتأخذ الصيغة الرياضية العامة للاختبار الشكل الآتي:

$$Q = \frac{|x_a – x_b|}{R}$$

حيث تمثل الرموز المتغيرات الإحصائية الآتية:

• $x_a$ (القيمة المشبوهة – Suspect Value): هي النقطة المتطرفة المراد فحصها للتأكد من شذوذها، وتكون حتماً إما أصغر قيمة في العينة ($x_1$) أو أكبر قيمة فيها ($x_n$) بعد إتمام عملية الترتيب التصاعدي.
• $x_b$ (القيمة الأقرب – Nearest Neighbor): هي المشاهدة المجاورة مباشرة للقيمة المشبوهة في مصفوفة البيانات المرتبة؛ وتكون القيمة الثانية ($x_2$) في حال فحص الحد الأدنى، أو القيمة قبل الأخيرة ($x_{n-1}$) في حال فحص الحد الأعلى.
• $R$ (المدى الكلي للعينة – Total Range): يمثل الفرق الحسابي بين أكبر قيمة وأصغر قيمة في مجموعة البيانات بأكملها، ويُحسب وفق العلاقة: $R = x_{\max} – x_{\min} = x_n – x_1$.

يلعب المدى الكلي ($R$) دور مقام المعايرة في المعادلة؛ فهو يختزل مقياس التشتت الشامل للبيانات دون الحاجة إلى حساب المتوسط والانحراف المعياري، مما يجعل الكسر الناتج معبراً عن نسبة تباعد النقطة المتطرفة عن بقية التوزيع مقارنة بالانتشار الكلي للمجموعة.

2.2 النسبة البُعدية ومعنى القيمة المحسوبة (Q_calculated)

إن القيمة الناتجة عن تطبيق المعادلة، والتي يُرمز لها بالرمز $Q_{calc}$، هي كمية لا بْعدية (Dimensionless Quantity) تعبر عن موضع الفجوة الفاصلة بين القيمة المتطرفة وبقية العينة ككسر نسبي من المدى الإجمالي. وتتسم هذه القيمة بخصائص رياضية صارمة تجعلها محصورة دوماً في المجال المغلق بين الصفر والواحد الصحيح:

$$0 le Q_{calc} le 1$$

تفسر القيمة المحسوبة بيانياً وسلوكياً وفق الآتي: إذا كانت $Q_{calc}$ قريبة من الصفر، فهذا يدل على أن المسافة الفاصلة بين القيمة المشبوهة وجارتها ضئيلة جداً مقارنة بالمدى الكلي، مما يعني أن النقطة تقع ضمن النسيج العام للعينة ولا تمثل شذوذاً يعتد به إحصائياً. أما إذا اقتربت القيمة من الواحد الصحيح، فهذا مؤشر قطعي على أن النقطة المتطرفة تبتعد بفجوة هائلة عن أقرب قيمة لها، بحيث تستحوذ هذه الفجوة على السواد الأعظم من المدى الكلي للعينة، مما يرجح فرضية شذوذها وخروجها عن التوزيع الأصلي.

تعكس هذه العلاقة الطردية بين تباعد النقطة المشبوهة وارتفاع قيمة $Q_{calc}$ الفلسفة الأساسية للاختبار؛ حيث يُقارن هذا الكسر الرياضي بقيم احتمالية حرجة مستخرجة من التوزيعات التكرارية التجريبية، لتحديد ما إذا كانت النسبة المحسوبة تتجاوز عتبة التباين العشوائي المقبول إحصائياً.

2.3 أنماط اختبار ديكسون لاختبار الأطراف (الحد الأدنى مقابل الحد الأعلى)

يتطلب التطبيق الدقيق لاختبار ديكسون تكييف صيغة البسط بحسب موقع النقطة المشبوهة المراد اختبارها، لضمان معالجة الاتجاه الصحيح للتطرف. ويتم التمييز بين حالتين أساسيتين:

أولاً: اختبار القيمة العظمى المشبوهة ($x_n$): عندما يلاحظ الباحث أن الحد الأعلى لمجموعة البيانات يبتعد بمسافة شاسعة عن بقية القيم، تُصاغ معادلة ديكسون (المعروفة بنمط $r_{10}$) على النحو الآتي:

$$Q_{calc} = \frac{x_n – x_{n-1}}{x_n – x_1}$$

ثانياً: اختبار القيمة الصغرى المشبوهة ($x_1$): عندما تكون النقطة محل الشك هي أصغر مشاهدة في المجموعة، تُكتب المعادلة لحساب فجوة الطرف الأدنى كما يلي:

$$Q_{calc} = \frac{x_2 – x_1}{x_n – x_1}$$

يضمن استخدام الفروق الموجبة المنظمة أو القيمة المطلقة في البسط بقاء مؤشر $Q_{calc}$ موجباً دائماً بغض النظر عن اتجاه الشذوذ، مما يتيح مقارنة القيمة المحسوبة مباشرة بالقيمة الحرجة المجدولة دون الحاجة لتغيير إشارات الأعداد أو تعقيد الإجراءات الحسابية.

3. الافتراضات الإحصائية والشروط المنهجية لتطبيق الاختبار

3.1 شرط التوزيع الطبيعي للبيانات

يستند الاشتقاق الرياضي لجداول اختبار ديكسون كيو إلى افتراض جوهري لا يقبل المساومة، وهو أن المجتمع الإحصائي الأصلي الذي سُحبت منه العينة يتبع التوزيع الطبيعي المعياري (Gaussian Distribution). وتكمن علّة هذا الافتراض في أن احتمالية ظهور مسافات بينية محددة بين الرتب المتتالية تعتمد كلياً على دالة الكثافة الاحتمالية للمنحنى الاعتدالي.

يتسم اختبار ديكسون بحساسية مفرطة تجاه انتهاك فرضية التوزيع الطبيعي؛ فإذا كانت البيانات مسحوبة من مجتمع مائل أو ملتوي التوزيع (Skewed Distribution)، كالتوزيع اللوغاريتمي الطبيعي أو التوزيع الأسي، فإن احتمالية ظهور قيم طرفية متباعدة ترتفع تلقائياً كخاصية بنيوية للمجتمع وليس كشذوذ طارئ. وفي مثل هذه الحالات، سيؤدي تطبيق اختبار Q إلى رفض غير مبرر لقيم صالحة تماماً، مما يرفع معدل الخطأ من النوع الأول بشكل حاد.

للتحقق المنهجي من هذا الشرط في العينات المحدودة، يُوصى الباحثون بإجراء اختبارات اعتدالية مخصصة للعينات الصغيرة، وفي مقدمتها اختبار شابيرو-ويلك (Shapiro-Wilk Test)، بالإضافة إلى فحص الرسوم البيانية كلوحات الاحتمال الطبيعي (Q-Q Plots)، للتأكد من خلو البيانات من الالتواء المفرط قبل اتخاذ قرار تطبيق اختبار ديكسون.

3.2 حجم العينة ومحدودية الاختبار

حُدد النطاق المثالي والموصى به منهجياً لتطبيق الصيغة القياسية لاختبار ديكسون كيو بين 3 و 30 مفردة ($3 le n le 30$). وتعود هذه الحدود إلى الطبيعة البنيوية للاختبار وخصائصه التوزيعية؛ حيث صُممت معاملات الجداول وقيمها الاحتمالية بدقة فائقة لهذا المدى من العينات المعملية والتجريبية المحدودة.

عندما يقل حجم العينة عن 3 مشاهدات ($n < 3$)، يفقد الاختبار أي معنى رياضي أو إحصائي؛ إذ لا يمكن تعريف فجوة مستقلة عن المدى الكلي، ويكون من المستحيل رياضياً التمييز بين القيمة الشاذة والقيمة الطبيعية مع انعدام درجات الحرية الكافية لتقدير التشتت. لذا يُحظر تطبيق الاختبار منعاً باتاً على العينات المكونة من نقطتين فقط.

أما عندما يتجاوز حجم العينة 30 مفردة ($n > 30$)، فإن الكفاءة والقوة الإحصائية لاختبار ديكسون تشهدان تراجعاً ملحوظاً لصالح اختبارات أخرى أكثر تقدماً، كاختبار غرابز (Grubbs’ Test) أو مقياس التباعد الطلائقي المعمم لروزنر (Generalized ESD). ويعود ذلك إلى أن المدى ($R$) في العينات الكبيرة يصبح مقياساً غير مستقر للتشتت وتزداد احتمالية ظهور قيم متعددة في الأطراف، مما يستوجب الاعتماد على الانحراف المعياري الكامل لتقدير الشذوذ الإحصائي.

3.3 قاعدة التطبيق لمرة واحدة (Single Application Rule)

من أشد القواعد صرامة في الأدبيات الإحصائية المتعلقة باختبار Q هي قاعدة التطبيق لمرة واحدة (Single Application Rule). تنص هذه القاعدة المنهجية على أنه لا يجوز بأي حال من الأحوال تطبيق اختبار ديكسون بشكل متتابع ومتكرر على نفس مجموعة البيانات لحذف قيم متعددة واحدة تلو الأخرى في حلقة تكرارية آلية.

إن الخطر المنهجي الكامن وراء التكرار غير المنضبط يكمن في تضخم الخطأ من النوع الأول (Type I Error Inflation) وتآكل مستوى الثقة الاسمي؛ فعند حذف قيمة شاذة وإعادة حساب الاختبار على العينة المتبقية بحجم ($n-1$)، تصبح البيانات المتبقية خاضعة لاقتطاع جبري مصطنع يقلص مداها الطبيعي، مما يجعل المشاهدة التالية تبدو شاذة تلقائياً حتى لو كانت طبيعية تماماً. وتُعرف هذه السلسلة الكارثية باسم “التطهير الإحصائي الجائر” للبيانات.

بالإضافة إلى ذلك، يعجز التطبيق الأحادي للاختبار عن معالجة ظاهرة الترافق أو ما يُعرف بـ ظاهرة الإخفاء (Masking Effect)؛ وهي الحالة التي يتواجد فيها قيمتان شاذتان متقاربتان في نفس الطرف، مما يؤدي إلى تصغير البسط في معادلة ديكسون وإفشال الاختبار في اكتشاف الشذوذ، وهو ما يتطلب نماذج معدلة من اختبارات ديكسون الموسعة أو اختبارات مخصصة للتعدد.

4. صياغة الفرضيات الإحصائية في اختبار ديكسون Q

4.1 فرضية العدم (Null Hypothesis – H0)

تُمثل فرضية العدم في اختبار ديكسون كيو خط الأساس ونقطة الانطلاق المنطقية للاستدلال الإحصائي؛ حيث تُصاغ بدقة واحتراز وفق المنطوق الآتي: “تنتمي القيمة المشبوهة إلى نفس المجتمع الإحصائي الذي تنتمي إليه بقية مفردات العينة، وأن التباعد الملاحظ بينها وبين أقرب قيمة لها ناتج فقط عن التباين العشوائي الطبيعي للتوزيع الاعتدالي”.

من الناحية الاحتمالية، تفترض $H_0$ أن جميع المشاهدات $x_1, x_2, dots, x_n$ هي متغيرات عشوائية مستقلة وموزعة توزيعاً متطابقاً (Identically and Independently Distributed – i.i.d) وفق دالة توزيع طبيعي ذات متوسط $\mu$ وتباين $\sigma^2$:

$$H_0: x_i \sim \mathcal{N}(\mu, \sigma^2) \quad \forall i in {1, 2, dots, n}$$

تحظى فرضية العدم بحصانة منهجية؛ إذ تُعد الحالة الافتراضية الصالحة حتى تتوفر أدلة إحصائية قطعية تتجاوز الشك المعقول لرفضها. ويعكس هذا المبدأ الحرص العلمي على تجنب إهدار البيانات الصالحة وحماية التجربة من التشويه الناتج عن الحذف غير المبرر للمشاهدات الميدانية.

4.2 الفرضية البديلة (Alternative Hypothesis – Ha)

تُصاغ الفرضية البديلة ($H_a$ أو $H_1$) لتعبر عن ادعاء الباحث بوجود خلل في المشاهدة المشبوهة، ونصها المنهجي: “القيمة المشبوهة تمثل قيمة شاذة حقيقية (Outlier) لا تنتمي إلى المجتمع الإحصائي الأصلي لبقية البيانات، وتستوجب المعالجة أو الاستبعاد”.

تأخذ الفرضية البديلة صياغة تلوث التوزيع (Contamination Model)؛ حيث تفترض أن القيمة المشبوهة قادمة من مجتمع مختلف له متوسط مزاح ($\mu + \delta$) أو تباين متضخم ($\sigma^2 + \tau^2$)، أو أنها ناتجة عن خطأ نظامي أو عشوائي فادح في أدوات القياس والجمع:

$$H_a: x_{suspect} \sim \mathcal{N}(\mu + \delta, \sigma^2 + \tau^2) \quad \text{حيث } \delta \neq 0 \text{ أو } \tau > 0$$

يتميز اختبار ديكسون بأنه اختبار موجه ذو طرف واحد (One-Tailed Directional Test) في سياق النقطة المشبوهة التي يتم تحديدها مسبقاً قبل الحساب؛ حيث يُفحص الشذوذ في اتجاه الزيادة إذا كانت النقطة هي الحد الأعلى، أو في اتجاه النقصان إذا كانت النقطة هي الحد الأدنى للمصفوفة المرتبة.

4.3 مستوى الدلالة الإحصائية (Alpha Level)

يُمثل مستوى الدلالة الإحصائية ($\alpha$) العتبة الاحتمالية القصوى التي يقبل بها الباحث كنسبة مخاطرة لارتكاب الخطأ من النوع الأول؛ أي رفض فرضية العدم واستبعاد قيمة صالحة تمثل في الحقيقة جزءاً أصيلاً من تباين المجتمع الطبيعي. والمستويات الأكثر شيوعاً في البحوث العلمية هي: $\alpha = 0.05$ (بمستوى ثقة 95%)، و $\alpha = 0.01$ (بمستوى ثقة 99%)، و $\alpha = 0.10$ (بمستوى ثقة 90%).

يتطلب تحديد مستوى الدلالة موازنة دقيقة بين نوعين من المخاطر الإحصائية والمنهجية:

• مخاطر خفض $\alpha$ (مثلاً $\alpha = 0.01$): يؤدي هذا الخيار إلى جعل اختبار ديكسون شديد التحفظ، مما يحمي البيانات الأصلية من الحذف الخاطئ، لكنه يرفع بالتوازي مخاطر الخطأ من النوع الثاني المتمثل في الإبقاء على بيانات ملوثة تشوه التحليلات اللاحقة.
• مخاطر رفع $\alpha$ (مثلاً $\alpha = 0.10$): يجعل الاختبار أكثر تساهلاً في اكتشاف القيم الشاذة واستبعادها، وهو ما يناسب الدراسات الاستكشافية المبدئية، لكنه يزيد من احتمالية التخلص غير المبرر من التباين الطبيعي المفيد.

في البحوث المعملية والسريرية فائقة الدقة، يُلزم الباحث باختيار $\alpha = 0.05$ كحد أدنى، وتثبيت هذا الاختيار بصورة صارمة ومسبقة قبل الاطلاع على مخرجات التحليل الرياضي لتفادي الوقوع في محاذير التلاعب بالقيمة الدلالية (P-hacking).

5. الخطوات المنهجية لإجراء اختبار ديكسون Q يدوياً

5.1 المرحلة الأولى: فحص وترتيب مصفوفة البيانات

تبدأ الخطوات التنفيذية لاختبار ديكسون كيو بفرز مصفوفة البيانات الخام وترتيب مشاهداتها ترتيباً تصاعدياً دقيقاً من الأصغر قيمة إلى الأكبر قيمة، بحيث تأخذ الصورة الآتية:

$$x_1 le x_2 le x_3 le dots le x_{n-1} le x_n$$

عقب إتمام الترتيب، ينتقل الباحث إلى مرحلة الفحص البصري الأولي والمقارنة المبدئية لتحديد النقطة المرشحة للشذوذ؛ حيث تنحصر هذه النقطة حصرياً في أحد الطرفين: إما أصغر مشاهدة في السلسلة ($x_1$) أو أكبر مشاهدة فيها ($x_n$). ويُشترط في هذه المرحلة التحقق من الاتساق الشكلي للبيانات واستبعاد أي أخطاء تدوينية بحتة (Typographical Errors) كالأخطاء الناتجة عن زحزحة الفواصل العشرية أو الإدخال المزدوج للأرقام قبل الشروع في الإجراءات الرياضية.

5.2 المرحلة الثانية: حساب المعالم الإحصائية للكسر

تتضمن هذه المرحلة إنجاز الحسابات الرياضية البسيطة التي تؤلف عناصر بسط ومقام معادلة ديكسون وفق الترتيب المنهجي الآتي:

1. حساب المدى الكلي للمجموعة ($R$): يُحسب بطرح القيمة الصغرى من القيمة الكبرى:
   $$R = x_n – x_1$$
2. حساب الفجوة المطلقة (The Gap): يُحسب الفرق بين القيمة المشبوهة وأقرب جارة لها في المصفوفة المرتبة:
   $$\text{Gap} = |x_a – x_b|$$
   حيث تكون الفجوة $(x_n – x_{n-1})$ إذا كانت القيمة المشبوهة في الطرف الأعلى، أو تكون $(x_2 – x_1)$ إذا كانت في الطرف الأدنى.
3. حساب النسبة المحسوبة ($Q_{calc}$): تُقسم قيمة الفجوة على المدى الكلي لاستخراج قيمة الكسر الإحصائي:
   $$Q_{calc} = \frac{\text{Gap}}{R}$$

يجب الاحتفاظ بأعلى درجات الدقة الحسابية وعدم اللجوء إلى التقريب المبكر للأرقام في هذه المرحلة لتفادي أي انحراف قد يؤثر على المقارنة النهائية مع الجداول المرجعية.

5.3 المرحلة الثالثة: استخراج القيمة الحرجة واتخاذ القرار

في المرحلة الختامية، يتجه الباحث إلى الجداول الإحصائية المرجعية الخاصة باختبار ديكسون كيو لتحديد القيمة الحرجة ($Q_{crit}$)؛ وذلك بالتقاطع بين حجم العينة المحدد ($n$) ومستوى الدلالة الإحصائية المختار سلفاً ($alpha$).

تخضع آلية اتخاذ القرار الإحصائي لقاعدة المقارنة المباشرة الصارمة الآتية:

• حالة رفض فرضية العدم ($Q_{calc} > Q_{crit}$): إذا تجاوزت القيمة المحسوبة القيمة الحرجة المجدولة، تُرفض فرضية العدم ($H_0$) وتُقبل الفرضية البديلة ($H_a$)، ويُعد ذلك إثباتاً إحصائياً عند مستوى ثقة $(1-\alpha)$ بأن النقطة تمثل قيمة شاذة حقيقية، مما يمنح الباحث المسوغ المنهجي لاستبعادها من التحليلات المعلمية اللاحقة.
• حالة الفشل في رفض فرضية العدم ($Q_{calc} le Q_{crit}$): إذا كانت القيمة المحسوبة مساوية أو أقل من القيمة الحرجة، يفشل الباحث في رفض فرضية العدم، ويتحتم عليه الاحتفاظ بالقيمة المشبوهة ضمن مصفوفة البيانات واعتبار تباعدها نتاجاً طبيعياً للمصادفة والتباين العشوائي.

6. مثال تطبيقي شامل ومفصل بالأرقام

6.1 عرض مجموعة البيانات والسيناريو التجريبي

لتجسيد الخطوات المنهجية لاختبار ديكسون كيو بصورة تطبيقية دقيقة، نفترض سيناريو تجريبياً مستمداً من معمل القياس النفسي العصبي؛ حيث قام الباحث بتطبيق مقياس لزمن المعالجة الإدراكية (مقاساً بأجزاء من الثانية بعد المعايرة المعيارية) على عينة استكشافية مصغرة قوامها 8 مفحوصين ($n = 8$).

أسفرت جلسات القياس المعملي عن تسجيل مصفوفة البيانات العددية الخام الآتية:

$${7, 3, 1, 9, 25, 8, 5, 13}$$

بإجراء الفحص البصري الأولي، يتبين وجود تباعد ملحوظ للرقم (25) عن السلوك العام لبقية الدرجات، مما دفع الباحث للاشتباه في كونه قيمة شاذة ناتجة عن خلل لحظي في جهاز الرصد أو تشتت حاد لانتباه المفحوص، وتطبيق اختبار ديكسون للبت في صحتها إحصائياً.

6.2 التطبيق الحسابي خطوة بخطوة على العينة

يتم تنفيذ المعالجة الإحصائية للعينة التجريبية باتباع الخطوات الحسابية المنهجية التالية:

الخطوة الأولى: الترتيب التصاعدي للمصفوفة:

$$x_1=1, ; x_2=3, ; x_3=5, ; x_4=7, ; x_5=8, ; x_6=9, ; x_7=13, ; x_8=25$$

الخطوة الثانية: تحديد معالم النقطة المشبوهة وجارتها:

• القيمة المشبوهة المراد فحصها هي الحد الأعلى: $x_a = x_8 = 25$
• القيمة الأقرب المجاورة لها في الترتيب: $x_b = x_7 = 13$
• القيمة الصغرى في العينة: $x_1 = 1$

الخطوة الثالثة: حساب المدى الكلي للعينة ($R$):

$$R = x_8 – x_1 = 25 – 1 = 24$$

الخطوة الرابعة: حساب الفجوة المطلقة (Gap):

$$\text{Gap} = x_8 – x_7 = 25 – 13 = 12$$

الخطوة الخامسة: حساب قيمة كيو المحسوبة ($Q_{calc}$):

$$Q_{calc} = \frac{\text{Gap}}{R} = \frac{12}{24} = 0.500$$

تُظهر النتيجة الحسابية الدقيقة أن الفجوة بين القيمة المشبوهة وأقرب جارة لها تستحوذ على 50.0% تماماً من إجمالي المدى الكلي للبيانات.

6.3 المقارنة مع القيمة الجدولية واتخاذ القرار المنهجي

للتحقق من الدلالة الإحصائية لهذه النتيجة، يرجع الباحث إلى جدول القيم الحرجة لاختبار ديكسون عند الشروط الآتية:

• حجم العينة: $n = 8$
• مستوى الدلالة المعتمد: $\alpha = 0.05$ (مستوى ثقة 95%)

بالبحث في الجداول الإحصائية المعتمدة (صيغة $r_{10}$)، نجد أن القيمة الحرجة المقابلة هي:

$$Q_{crit(8, , 0.05)} = 0.526$$

عقد المقارنة الإحصائية:

$$Q_{calc} , (0.500) < Q_{crit} , (0.526)$$

القرار المنهجي وتفسيره الأكاديمي: بناءً على المقارنة الرياضية المباشرة، وحيث إن القيمة المحسوبة ($0.500$) جاءت أقل من العتبة الحرجة المطلوبة لرفض العدم ($0.526$)، فإن القرار الإحصائي الحتمي هو الفشل في رفض فرضية العدم ($H_0$). ويعني ذلك علمياً أنه على الرغم من التباعد البصري الظاهر للقيمة (25)، فإن البيانات المتاحة عند حجم عينة ($n=8$) لا توفر دليلاً إحصائياً كافياً عند مستوى ثقة 95% للجزم بشذوذ هذه المشاهدة، ويتحتم منهجياً الإبقاء عليها وعدم استبعادها من التحليلات الإحصائية، مع التوصية بإجراء تحليلات الحساسية للوقوف على مدى تأثيرها على نتائج الدراسة.

7. تفسير الجداول الإحصائية والقيم الحرجة لاختبار Q

7.1 بنية جدول ديكسون الإحصائي (Dixon Table Structure)

تتميز الجداول الإحصائية الخاصة باختبار ديكسون كيو ببنية هيكلية متخصصة تم بناؤها وتوليدها عبر محاكاة مونت كارلو الرياضية المعقدة لتقدير دالات التوزيع التراكمي لنسب المدى في المجتمعات الطبيعية. وتتألف هذه الجداول من بعدين أساسيين: يمثل المحور الرأسي (الصفوف) حجم العينة ($n$) المتدرج من 3 إلى 30، بينما يمثل المحور الأفقي (الأعمدة) مستويات الدلالة الإحصائية المختلفة ($alpha = 0.10, 0.05, 0.02, 0.01$).

من الأهمية المنهجية بمكان أن يدرك الباحث وجود نسخ وتفريعات متعددة لجداول ديكسون في المراجع الإحصائية المتقدمة، حيث وضع ديكسون أربعة أنماط من النسب الرياضية لمعالجة أحجام مختلفة من العينات وتفادي مشاكل الشذوذ المزدوج:

• معادلة $r_{10}$: وهي الصيغة القياسية الشائعة المعتمدة في هذا المقال، والمخصصة للعينات من $n = 3$ إلى $n = 7$ (وتُستخدم عملياً حتى $n = 10$).
• معادلة $r_{11}$: تعتمد صيغة البسط $(x_n – x_{n-1})$ مع تعديل المقام إلى $(x_n – x_2)$، وتناسب العينات من $n = 8$ إلى $n = 10$.
• معادلة $r_{21}$: تعتمد البسط $(x_n – x_{n-2}) / (x_n – x_2)$ للعينات من $n = 11$ إلى $n = 13$.
• معادلة $r_{22}$: تعتمد النسبة $(x_n – x_{n-2}) / (x_n – x_3)$ للعينات الكبيرة نسبياً من $n = 14$ إلى $n = 30$.

7.2 قيم حرجة مرجعية لأحجام العينات الشائعة

يقدم الجدول المرجعي الموضح أدناه القيم الحرجة القياسية لاختبار ديكسون كيو (صيغة $r_{10}$) لأحجام العينات الأكثر استخداماً في البحوث التجريبية عند مستويات الدلالة الإحصائية الثلاثة المعتمدة دولياً:

حجم العينة ($n$)	$\alpha = 0.10$ (ثقة 90%)	$\alpha = 0.05$ (ثقة 95%)	$\alpha = 0.01$ (ثقة 99%)
3	0.886	0.941	0.988
4	0.679	0.765	0.889
5	0.557	0.642	0.780
6	0.482	0.560	0.698
7	0.434	0.507	0.637
8	0.479	0.526	0.623
9	0.441	0.485	0.577
10	0.409	0.451	0.540

يُلاحظ بوضوح من قراءة الجدول الظاهرة الإحصائية المتمثلة في التناقص التدريجي للقيمة الحرجة كلما زاد حجم العينة ($n$). يفسر هذا السلوك الرياضي بحقيقة أنه في العينات بالغة الصغر (مثل $n=3$)، يكون التباين العشوائي كبيراً والمدى ضيقاً بطبيعته، مما يتطلب فجوة شاسعة جداً تستحوذ على أكثر من 94% من المدى عند $alpha=0.05$ للجزم بالشذوذ. وكلما كبرت العينة، تزداد درجات الحرية وتستقر كثافة التوزيع، مما يجعل عتبة الشذوذ تتناقص تدريجياً لاكتشاف الفجوات الأقل اتساعاً.

7.3 التعامل مع التقديرات البينية وتقريب القيم

في الممارسات الإحصائية الميدانية، قد يواجه الباحث جداول مرجعية مقتضبة تتضمن أحجام عينات متقطعة (كأن تتدرج العينات بمقدار 5 مفردات). وفي هذه الحالات النادرة، يُمنع اللجوء إلى التخمين العشوائي، بل يُلزم الباحث باستخدام أسلوب الاستيفاء الخطي (Linear Interpolation) لتقدير القيمة الحرجة الدقيقة المقابلة لحجم عينته الفعلي وفق العلاقة الرياضية المعيارية:

$$Q_{crit} = Q_1 + \frac{(n – n_1)}{(n_2 – n_1)} \times (Q_2 – Q_1)$$

علاوة على ذلك، يمثل التقريب غير المنضبط خطراً جسيماً على مصداقية القرار الإحصائي؛ إذ إن تقريب قيمة $Q_{calc}$ من ثلاثة أرقام عشرية إلى رقمين فقط قد يحول نتيجة حدية من الفشل في الرفض إلى الرفض الخاطئ أو العكس (كما ظهر في مثالنا السابق؛ فحيث كانت القيمة المحسوبة $0.500$ والحرجة $0.526$، فإن أي تساهل في المعايرة الرقمية يهدد سلامة الاستنتاج العلمي).

8. تطبيقات اختبار ديكسون Q في القياس والبحوث النفسية والسلوكية

8.1 معالجة أزمنة الاستجابة (Reaction Times) في التجارب المعرفية

تُعد بيانات زمن الرجع أو سرعة الاستجابة الإدراكية (Reaction Time – RT) في تجارب علم النفس المعرفي واللسانيات النفسية من أكثر البيانات عرضة للتشويش وتولد القيم الشاذة. فالاستجابات النفسية شديدة الحساسية لتقلبات الانتباه والشرود الذهني اللحظي للمفحوص، وحركات الرمش اللاإرادية، أو التردد في الضغط على مفاتيح الرصد أثناء عرض المثيرات البصرية أو السمعية.

عندما تُجرى هذه التجارب على مجموعات محدودة من الحالات الخاصة أو العينات السريرية المصغرة (كالمصابين بحبسة كلامية نادرة أو تلف دماغي بؤري محدد)، يوفر اختبار ديكسون كيو آلية معيارية لفحص الاستجابات البطيئة للغاية التي لا تعكس الكفاءة المعرفية الحقيقية للمريض، بل تعكس انقطاعاً في مسار المهمة. ويساعد الاختبار في تحديد ما إذا كانت هذه الدرجة الزمنية المتطرفة تتطلب الاستبعاد الرياضي بدلاً من الاعتماد على قواعد القطع التحكمية الذاتية (Arbitrary Cut-off Thresholds).

مع ذلك، يوصي المنهجيون بالمفاضلة الواعية بين استبعاد القيمة عبر اختبار Q وبين اللجوء إلى تحويلات البيانات (Data Transformations)، مثل التحويل اللوغاريتمي ($log(RT)$) أو التحويل العكسي ($1/RT$)؛ فالتحويل الرياضي يحافظ على حجم العينة الأصلي ويقلل في الوقت ذاته من وطأة الالتواء الطبيعي المتأصل في التوزيعات الزمنية.

8.2 فحص درجات مقاييس الأداء النفسي الحركي والفسيولوجي

يمتد التطبيق المنهجي لاختبار ديكسون إلى مختبرات علم النفس الفسيولوجي والقياس النفسي العصبي، حيث تُسجل مؤشرات بيومترية دقيقة مثل الاستجابة الجلدية الجلفانية (Galvanic Skin Response – GSR)، والتوصيل الكهربائي للجلد (EDA)، وتغير معدل ضربات القلب (Heart Rate Variability – HRV)، وتخطيط حركة العين (Eye Tracking). تتأثر هذه المؤشرات بعوامل تشويش خارجية حادة مثل تحرك المفحوص الفجائي، أو ارتخاء أقطاب التوصيل، أو التداخلات الكهرومغناطيسية الصادرة عن المعدات المعملية المحيطة.

في الجلسات التجريبية الصغيرة، يمكن لقراءة فسيولوجية شاذة واحدة ناتجة عن خلل تقني أن ترفع متوسط استثارة المجموعة بشكل مضلل، مما يوحي بوجود استجابة انفعالية حادة لدى المفحوص تجاه مثير محايد. يتدخل اختبار ديكسون هنا ليقدم برهاناً حسابياً رصيناً يمكّن الباحث من عزل المشاهدة المشوهة فسيولوجياً وحماية متوسطات المجموعة من التلوث القياسي، مما يضمن اتساق القياسات الحيوية عبر مراحل التجربة.

8.3 الاعتبارات الأخلاقية والمنهجية في استبعاد بيانات المفحوصين

يرتبط التعامل مع القيم الشاذة في العلوم الإنسانية والسلوكية بمسؤولية أخلاقية ومنهجية بالغة التعقيد والخطورة. فالاستبعاد العشوائي أو الانتقائي لبيانات المفحوصين بحجة “تنقية النتائج” دون استناد لمعايير احتمالية معلنة يقع في دائرة التلفيق الإحصائي والتلاعب بالنتائج العلمية (Data Fabrication & Trimming)، وهو ما يقوض الثقة في مخرجات البحث العلمي.

تفرض التوجيهات المعيارية الصادرة عن جمعية علم النفس الأمريكية (APA) في دليل النشر العلمي الصارم (الإصدار السابع) الشفافية المطلقة والتوثيق الكامل لجميع إجراءات معالجة البيانات؛ حيث يُلزم الباحث بالإفصاح المفصل في قسم المنهجية عن:

• العدد الإجمالي للمفحوصين والمشاهدات التي تم جمعها في الأصل.
• المعيار الإحصائي المعتمد لفحص القيم الشاذة (اختبار ديكسون كيو مع تحديد قيمة $\alpha$ وصيغة المعادلة المستخدمة).
• القيم الدقيقة للمشاهدات التي تم استبعادها ومسوغات الاستبعاد الرياضية.
• إجراء مقارنة تقريرية بين نتائج التحليل الإحصائي قبل الحذف وبعده لبيان أثر الاستبعاد على حجم التأثير (Effect Size) ومستويات الدلالة.

9. معالجة القيم الشاذة المتعددة والقيود الإحصائية للاختبار

9.1 مشكلة الإخفاء (Masking Effect) وتأثير الحشد

تُعد ظاهرة الإخفاء (Masking Effect) من أشد العيوب البنيوية خطورة في اختبار ديكسون كيو الكلاسيكي بصيغته البسيطة ($r_{10}$). تحدث هذه الظاهرة المنهجية المضللة عندما تحتوي العينة التجريبية على قيمتين شاذتين متطرفتين أو أكثر تتقاربان بشدة في قيمتهما العددية وتقعان في نفس الطرف من التوزيع.

تتجلى آلية الإخفاء رياضياً في الآتي: عندما تتجاور نقطتان شاذتان (مثلاً $x_n$ و $x_{n-1}$ وكلاهما يبتعد كثيراً عن بقية العينة)، فإن الفارق في البسط $(x_n – x_{n-1})$ يصبح صغيراً جداً، في حين يتضخم المدى الكلي في المقام $(x_n – x_1)$ بشكل هائل بفعل وجود هذه الأطراف. وتكون النتيجة الرياضية المباشرة هي انخفاض مصطنع وحاد في قيمة $Q_{calc}$ المحسوبة، مما يجعلها تبدو أقل بكثير من القيمة الحرجة، وبالتالي يفشل الاختبار تماماً في اكتشاف الشذوذ ويفلت الطرفان الشاذان من الفحص الإحصائي.

لتجاوز هذا القصور البنيوي، يُلزم الباحث في حال اشتباهه بوجود شذوذ مزدوج بالانتقال إلى صيغ ديكسون الموسعة مثل معادلة $r_{21}$ أو $r_{22}$ التي تقيس المسافة متجاوزة النقطة المجاورة الأولى، أو الاعتماد على الاختبارات التكرارية المتطورة المخصصة لتعدد الشذوذ كاختبار روزنر.

9.2 ظاهرة الإغراق أو التوريط (Swamping Effect)

على النقيض تماماً من ظاهرة الإخفاء، تبرز معضلة إحصائية أخرى تُعرف باسم ظاهرة الإغراق أو التوريط (Swamping Effect). وتتمثل هذه الحالة في تصنيف مشاهدة عادية وسليمة إحصائياً على أنها قيمة شاذة يجب استبعادها، وذلك تحت التأثير المشوه لقيمة شاذة حقيقية أخرى مجاورة لها في الطرف المقابل أو نفس الطرف.

يحدث الإغراق عندما تؤدي نقطة شاذة وحيدة بالغة التطرف إلى إرباك تقدير التباين العام ومواقع الرتب، مما يجعل الفجوة بين المشاهدات الطبيعية تبدو واسعة على نحو زائف عند تطبيق بعض الصيغ المركبة، وهو ما يورط مشاهدات صالحة في دائرة الشذوذ ويدفع الباحث لحذفها بالخطأ. ولتلافي السقوط في فخ الإغراق والإخفاء، يُجمع الخبراء على ضرورة الدمج الإلزامي بين التحليل الحسابي لاختبار ديكسون والفحص البياني البصري للبيانات عبر مدرجات النقاط والمخططات الصندوقية.

9.3 القيود المنهجية العامة لاختبار ديكسون Q

تتكامل القيود المنهجية لاختبار ديكسون كيو في مجموعة من المحددات البنيوية التي تحتم على الباحث الحذر الشديد عند توظيفه في البيئات البحثية المعاصرة، وتتلخص أهم هذه القيود في النقاط الآتية:

• العجز عن معالجة العينات الكبيرة: يفقد الاختبار فاعليته وقوته التمييزية عند تجاوز العينة 30 مفردة ($n > 30$)، حيث تصبح إحصاءات المدى أقل كفاءة مقارنة بالانحراف المعياري.
• الحساسية الفائقة للاعتدالية: ينهار الاختبار منهجياً في حال عدم تحقق شرط التوزيع الطبيعي المعياري للمجتمع الأصلي، مما يحد من صلاحيته للبيانات المنفصلة أو الرتبية أو شديدة الالتواء.
• المحدودية الأحادية: صُمم الاختبار الأصلي للتعامل مع نقطة شاذة واحدة في الطرف الواحد، وتكراره المتتابع يخرق مسلمات ضبط الأخطاء الاحتمالية.

10. مقارنة اختبار ديكسون Q باختبارات الكشف عن القيم الشاذة الأخرى

10.1 المقارنة مع اختبار غرابز (Grubbs’ Test)

يُمثل اختبار غرابز (Grubbs’ Test)، المعروف أيضاً باسم اختبار أقصى انحراف معياري متبقٍ (Maximum Normed Residual)، البديل المعلمي الأوسع انتشاراً والأقوى إحصائياً لاختبار ديكسون كيو. يرتكز الأساس الرياضي لاختبار غرابز على حساب المسافة المعيارية بين القيمة المشبوهة ومتوسط العينة مقسومة على الانحراف المعياري الكامل:

$$G = \frac{\max |x_i – \bar{x}|}{s}$$

أوجه المفاضلة والقوة الإحصائية:

• في العينات البالغة الصغر ($3 le n le 7$): يتميز اختبار ديكسون كيو بأفضلية تشغيلية واضحة؛ إذ لا يتطلب حساب الانحراف المعياري الذي يكون غير مستقر ومشوهاً بشدة بفعل النقطة الشاذة ذاتها في العينات المحدودة، مما يمنح نسب ديكسون موثوقية عالية وسهولة حسابية فائقة.
• في العينات المتوسطة والكبيرة ($8 le n le 30$ وما فوق): يتفوق اختبار غرابز تفوقاً حاسماً في القوة الإحصائية الكلية؛ نظراً لأنه يستغل كامل المعلومات الرياضية المتوفرة في مصفوفة البيانات (المتوسط وجميع الانحرافات التربيعية)، بينما يهدر اختبار ديكسون المعلومات الوسيطة ويركز فقط على الأطراف، مما يجعل غرابز أكثر دقة في حسم الحالات الحدية للعينات الأكبر حجماً.

10.2 المقارنة مع اختبار روزنر (Rosner’s ESD Test)

صُمم اختبار روزنر، المعروف باسم اختبار التباعد الطلائقي المعمم المعياري (Rosner’s Generalized Extreme Studentized Deviate – ESD)، كحل جذري لمعضلة القيم الشاذة المتعددة وعلاج مباشر لظاهرتي الإخفاء والإغراق التي يعاني منها اختبار ديكسون.

يمتاز اختبار روزنر بقدرته الفائقة على فحص واكتشاف عدد محدد مسبقاً من القيم الشاذة يصل إلى $k$ مشاهدة شاذة في خطوة تحليلية واحدة مترابطة؛ حيث يقوم الاختبار بحساب انحرافات غرابز التكرارية وتعديل المتوسط والانحراف المعياري تدريجياً مع استبعاد المشاهدات الأشد تطرفاً بالتسلسل ومقارنتها بقيم حرجة متكيفة لكل مستوى استبعاد، مما يحفظ معدل الخطأ من النوع الأول عند مستواه الاسمي الدقيق.

مع ذلك، يفرض اختبار روزنر متطلبات حجمية صارمة؛ إذ يشترط ألا يقل حجم العينة عادة عن 25 مفردة ($n ge 25$) لضمان كفاءة التقدير الإحصائي للانحرافات الطلابية المعممة، مما يجعل اختبار ديكسون الخيار الوحيد القابل للتطبيق في العينات التجريبية الدقيقة التي يتراوح حجمها بين 3 و 10 مفردات.

10.3 المقارنة مع الأساليب اللامعلمية والرسومية (Boxplots & IQR)

تعتمد الأساليب اللامعلمية والرسومية، وفي مقدمتها طريقة المدى الربيعي (Interquartile Range – IQR) ومبدأ حواجز توكي (Tukey’s Fences) الممثلة في المخطط الصندوقي (Boxplot)، على تقسيم البيانات إلى أرباع إحصائية وتحديد الشذوذ عبر المسافة من الربيعين الأول ($Q_1$) والثالث ($Q_3$):

$$\text{Outlier Bounds} = [Q_1 – 1.5 \times \text{IQR}, ; Q_3 + 1.5 \times \text{IQR}]$$

الميزة الكبرى لهذه الأساليب اللامعلمية هي المتانة (Robustness) وعدم اشتراط التوزيع الطبيعي المعياري للبيانات، مما يجعلها مثالية للبيانات الملتوية والتوزيعات الحرة. غير أن عيبها القاتل في العينات الصغيرة ($n < 15$) يكمن في عدم استقرار تقدير الرتب والربيعيات الحسابية، حيث تصبح حواجز توكي واسعة جداً وتفشل في التقاط القيم الشاذة المعملية، بينما يقدم اختبار ديكسون في هذا النطاق الضيق دقة احتمالية متفوقة بفضل نمذجته البارامترية المحكمة.

وجه المقارنة	اختبار ديكسون Q	اختبار غرابز (Grubbs)	اختبار روزنر (ESD)	المدى الربيعي (IQR / Boxplot)
طبيعة الاختبار	معلمي (مستند للمدى)	معلمي (مستند للتشتت)	معلمي (تكراري معمم)	لا معلمي (مستند للرتب)
حجم العينة المثالي	صغير جداً ($3 le n le 30$)	متوسط ($n ge 7$)	كبير نسبياً ($n ge 25$)	متوسط إلى كبير ($n ge 20$)
افتراض الاعتدالية	صارم وإلزامي	صارم وإلزامي	صارم وإلزامي	غير مشروط (متين)
التعامل مع التعدد	قيمة واحدة فقط	قيمة واحدة (أو اثنتان بنسخ مخصصة)	ممتاز (قيم متعددة $k$)	ممتاز (قيم متعددة متزامنة)
أبرز نقاط القوة	سهولة وسرعة فائقة للعينات المعملية الصغيرة	قوة إحصائية قصوى للعينات الفردية	حصانة ضد الإخفاء والإغراق	الحصانة التامة ضد التواء التوزيع

11. تنفيذ اختبار ديكسون Q باستخدام البرمجيات الإحصائية ولغات البرمجة

11.1 التطبيق البرمجي باستخدام لغة R

تُعد بيئة لغة البرمجة الإحصائية R البيئة الأكاديمية المثالية لتنفيذ اختبار ديكسون كيو بفضل وفرة الحزم التخصصية المدققة. وتوفر حزمة outliers المعتمدة دالة برمجية مدمجة وشاملة تحمل الاسم dixon.test() لتنفيذ الاختبار بدقة بالغة.

يقوم الباحث بتثبيت الحزمة واستدعاء الدالة على متجه البيانات التجريبية المعروض في المثال التطبيقي السابق عبر الخطوات البرمجية الآتية:

يتم أولاً تجهيز المتجه الرقمي للبيانات، ثم استدعاء دالة الاختبار المباشرة مع تحديد وسيط الطرفين ومستوى الاختبار. تُخرج دالة R تقريراً تفصيلياً يتضمن: اسم النمط الإحصائي المستخدم (مثل صيغة Dixon test for outliers)، والقيمة الحسابية الدقيقة لمؤشر Q، بالإضافة إلى القيمة الاحتمالية الدقيقة (p-value). فإذا كانت قيمة p-value الناتجة أصغر من 0.05، تُرفض فرضية العدم، وهو ما يقدم تأكيداً رقمياً قاطعاً يطابق العمليات الحسابية اليدوية المعقدة.

11.2 التطبيق البرمجي باستخدام لغة بايثون (Python)

في بيئة لغة بايثون للتحليل الإحصائي وعلوم البيانات، وعلى الرغم من عدم وجود دالة قياسية جاهزة لاختبار ديكسون داخل مكتبة SciPy الأساسية، يمكن لمحلل البيانات بناء دالة مخصصة ومعيارية (Custom Function) بالاعتماد على مكتبة NumPy الرياضية، وبرمجتها وفق الخطوات المنطقية الآتية:

تستقبل الدالة مصفوفة البيانات، وتتحقق برمجياً في البداية من استيفاء شرط حجم العينة ($3 le n le 30$)، ثم تقوم بفرز العناصر تصاعدياً. تالياً، تحسب الدالة الفجوة في الطرفين الأدنى والأعلى، وتقسمها على المدى الكلي للبيانات لاستخراج مؤشرات Q للطرفين وتحديد الطرف الأشد تطرفاً وقيمة$Q_{calc}$ المقابلة له. يتم بعد ذلك ربط الناتج بجدول قواميس رقمي للقيم الحرجة لمقارنة النتيجة وطباعة القرار الإحصائي المؤتمت بصورة فورية وشفافة.

11.3 التعامل مع بيئة SPSS وبرامج التحليل الشائعة

يلاحظ مستخدمو الحزمة الإحصائية للعلوم الاجتماعية IBM SPSS Statistics غياب اختبار ديكسون كيو عن القوائم الافتراضية للاختبارات المعلمية المدمجة في البرنامج، حيث تميل SPSS لتبني أساليب المدى الربيعي ومخططات الصندوق في قائمة استكشاف البيانات (Explore)، أو معايير الدرجات المعيارية المحولة ($Z$-scores).

لإجراء اختبار ديكسون في SPSS، يتبع المحللون أحد المسارين المنهجيين الآتيين:

1. الحساب اليدوي المؤتمت عبر نافذة حساب المتغيرات (Compute Variable): يقوم الباحث بفرز المتغير تصاعدياً عبر قائمة Sort Cases، ثم استخدام الدوال التجميعية لحساب الفارق بين المشاهدة المتطرفة وجارتها وقسمته على ناتج طرح القيمة الصغرى من الكبرى ($x_{\max} – x_{\min}$)، ومقارنة الناتج بالجدول الإحصائي المرفق في هذا الدليل.
2. تنفيذ كود البرمجة بلغة بايثون أو R عبر ملحق SPSS المدمج (SPSS Integration Plug-in): حيث يتيح البرنامج كتابة نصوص برمجية مخصصة تشغل دالة ديكسون مباشرة وتدمج مخرجاتها وجداولها ضمن نافذة مخرجات SPSS القياسية (Output Viewer) لتوثيقها في التقارير البحثية النهائية.

12. إرشادات منهجية وتوصيات ختامية للباحثين والمحللين

12.1 بروتوكول اتخاذ القرار عند ثبوت وجود قيمة شاذة

عندما تُسفر المعالجة الإحصائية لاختبار ديكسون كيو عن رفض فرضية العدم وتأكيد شذوذ المشاهدة إحصائياً، لا ينبغي أن يكون القرار التلقائي هو الحذف الأعمى للنقطة؛ بل يجب على الباحث إخضاع الحالة لبروتوكول اتخاذ القرار المنهجي المتدرج الآتي:

• الخيار الأول – التحقق من مصدر الخطأ: فحص دفاتر الرصد وسجلات الأجهزة للتحقق مما إذا كان الشذوذ ناجماً عن خطأ تدويني أو خلل ميكانيكي موثق. وفي هذه الحالة، يتم تصحيح الخطأ إذا توفرت القراءة الأصلية، أو حذف المشاهدة باعتبارها قياساً غير صالح علمياً.
• الخيار الثاني – التعديل والتحديد (Winsorizing): بدلاً من خسارة حجم العينة بالحذف، يمكن استبدال القيمة الشاذة بأقرب قيمة مقبولة في التوزيع (مثلاً استبدال $x_n$ بقيمة $x_{n-1}$)، مما يحافظ على استقرار حجم العينة مع تحييد الأثر المدمر للمسافة المتباعدة.
• الخيار الثالث – إجراء تحليل الحساسية المزدوج (Sensitivity Analysis): وهو المعيار الذهبي في النشر العلمي الرصين؛ حيث يقوم الباحث بتنفيذ كافة التحليلات الإحصائية واختبار الفرضيات مرتين متوازيتين: الأولى بوجود القيمة الشاذة، والثانية بعد استبعادها، وعرض النتائج المقارنة بشفافية كاملة في الورقة البحثية لبيان ما إذا كانت الاستنتاجات العلمية الجوهرية تتغير تبعاً لحذف القيمة من عدمه.

في كثير من الحالات الاستكشافية الاستثنائية، قد يكون الاحتفاظ بالقيمة الشاذة وتحليل أسبابها هو الاكتشاف العلمي الحقيقي للبحث؛ فقد تعكس المشاهدة الشاذة استجابة بيولوجية أو سلوكية فريدة وغير مكتشفة تمهد لفرضيات ونظريات علمية جديدة بدلاً من طمسها تحت مظلة التنظيف الإحصائي.

12.2 قائمة التحقق المنهجية قبل تطبيق اختبار ديكسون Q

لضمان الاستخدام السليم والمتوافق مع أصول القياس الإحصائي، يتعين على الباحث استيفاء بنود “قائمة التحقق المنهجية” الآتية قبل الاعتماد النهائي لنتائج اختبار ديكسون:

• [ ] هل حجم العينة التجريبية يقع بدقة داخل النطاق الصالح للاختبار ($3 le n le 30$)؟
• [ ] هل تم فحص التوزيع التقديري للمجتمع والتأكد من ملاءمته لفرضية الاعتدالية وخلوه من الالتواء الحاد؟
• [ ] هل تنحصر المشكلة في اشتباه نقطة شاذة واحدة فقط في طرف واحد من التوزيع دون وجود شذوذ مترافق؟
• [ ] هل تم الالتزام الصارم بقاعدة التطبيق لمرة واحدة وتجنب التكرار المتسلسل على نفس العينة؟
• [ ] هل تم تحديد مستوى الدلالة الإحصائية ($\alpha$) بصورة مسبقة قبل الشروع في فحص البيانات؟
• [ ] هل تم توثيق كامل خطوات الفرز والحساب المدى والفجوات والرجوع للجداول المعتمدة في تقرير البحث؟

12.3 خلاصة الدليل وأفضل الممارسات في النشر الأكاديمي

يظل اختبار ديكسون كيو (Dixon’s Q Test) أداة كلاسيكية بارعة وضرورية في ترسانة الباحث الإحصائي، نظراً لبنائه الرياضي الحدسي وقدرته الفريدة على توفير معيار احتمالي موضوعي لغربلة البيانات في العينات الصغيرة والمعملية. إن الفلسفة الأساسية التي يكرسها هذا الاختبار هي الانتقال بقرارات استبعاد البيانات من فضاء الذاتية والانطباع البصري إلى فضاء المنهجية الاحتمالية المنضبطة والمبررة رياضياً.

إن أفضل الممارسات في النشر الأكاديمي المعاصر لا تقاس بمدى خلو البيانات من الشذوذ، بل بمدى الشفافية والنزاهة العلمية في الإفصاح عن كيفية اكتشاف تلك الشواذ ومعالجتها. إن التمسك بالضوابط المنهجية الصارمة، واستيفاء الافتراضات التوزيعية، وتطبيق تحليلات الحساسية، والتوثيق الدقيق الملتزم بمعايير الهيئات الدولية كـ APA و IUPAC، هو الضمانة الحقيقية لصيانة المعرفة العلمية، وسلامة الاستدلال الإحصائي، وموثوقية النتائج البحثية في سائر ميادين المعرفة الإنسانية والتجريبية.

المراجع الأكاديمية (References)

• Barnett, V., & Lewis, T. (1994). Outliers in Statistical Data (3rd ed.). John Wiley & Sons.
• Dixon, W. J. (1950). Ratios involving extreme values. The Annals of Mathematical Statistics, 21(4), 488–506. https://doi.org/10.1214/aoms/1177729747
• Dixon, W. J. (1951). Ratios involving extreme values. The Annals of Mathematical Statistics, 22(1), 68–78. https://doi.org/10.1214/aoms/1177729693
• Dixon, W. J. (1953). Processing data for outliers. Biometrics, 9(1), 74–89. https://doi.org/10.2307/3001634
• Grubbs, F. E. (1950). Procedures for detecting outlying observations in samples. The Annals of Mathematical Statistics, 21(1), 27–58. https://doi.org/10.1214/aoms/1177729885
• International Organization for Standardization. (1994). Accuracy (trueness and precision) of measurement methods and results — Part 2: Basic method for the determination of repeatability and reproducibility of a standard measurement method (ISO Standard No. 5725-2:1994). https://www.iso.org/standard/11834.html
• Iglewicz, B., & Hoaglin, D. C. (1993). How to Detect and Handle Outliers (Vol. 16). ASQC Basic References in Quality Control, American Society for Quality.
• Rorabacher, D. B. (1991). Statistical treatment for rejection of deviant values: Critical values of Dixon’s “Q” parameter and related subrange ratios at the 95% confidence level. Analytical Chemistry, 63(2), 139–146. https://doi.org/10.1021/ac00002a010
• Rosner, B. (1983). Percentage points for a generalized ESD many-outlier procedure. Technometrics, 25(2), 165–172. https://doi.org/10.1080/00401706.1983.10487848
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley Publishing Company.